[논문 리뷰] UAVCAN Dataset Description

Dong-Sung Kim, Yuchan Song외 4명|arXiv (Cornell University)|2022. 12. 19.

Anomaly Detection Techniques and Applications인용 수 11

한 줄 요약

이 논문은 PX4 기반 드론 테스트베드에서 수집한 공개 가능한 UAVCAN 네트워크 트래픽 데이터셋을 제시한다. 이 데이터셋은 흐름, 퍼지, 재생 공격를 포함한 10종의 서로 다른 사이버공격 시나리오를 수록하고 있으며, 정상 및 공격 트래픽으로 레이블링되어 있어, 악성 조건 하에서 실제 UAVCAN 프로토콜 행동을 기반으로 한 무인 항공기용 침입 탐지 및 이상 탐지 연구를 가능하게 한다.

ABSTRACT

We collected attack data from unmanned vehicles using the UAVCAN protocol, and public and described technical documents. A testbed was built with a drone using PX4, and a total of three attacks, Flooding, Fuzzy, and Replay, were performed. The attack was carried out in a total of 10 scenarios. We expect that the attack data will help develop technologies such as anomaly detection to solve the security threat problem of drones.

연구 동기 및 목표

• 사이버보안 연구를 위한 공개 가능하고 현실적인 UAVCAN 네트워크 트래픽 데이터셋의 부족을 해소하기 위해.
• 무인 항공기(UAV)에서 침입 탐지 시스템(_IDS_)을 개발하고 평가하기 위한 벤치마크 데이터셋을 제공하기 위해.
• UAVCAN 프로토콜 구현을 대상으로 하는 다양한 사이버공격에 대한 실제 네트워크 트래픽을 시뮬레이션하고 수집하기 위해.
• 레이블링된 시간 동기화된 공격 및 정상 트래픽 데이터를 제공하여 UAVCAN 기반 UAV의 이상 탐지 및 위협 모델링 연구를 지원하기 위해.

제안 방법

• Pixhawk4 비행 제어기와 CAN 버스로 연결된 ESC를 갖춘 PX4 기반 드론 테스트베드를 구축하여 실제 UAV 네트워크를 모의하였다.
• 맞춤형 스크립트를 사용하여 UAVCAN 네트워크에 흐름, 퍼지, 재생 공격 유형을 구현하고 제어 가능한 간격으로 악성 프레임을 주입하였다.
• Linux에서 SocketCAN을 사용하여 원시 CAN 버스 트래픽을 수집한 후, 공격 단계에 해당하는 시간 창에 따라 각 프레임을 '정상' 또는 '공격'으로 레이블링하였다.
• 공격 간격(0.0015–0.005 s), 지속 시간(180–280 s), 공격 유형 조합을 다양하게 하여 10종의 고유한 공격 시나리오를 생성하였다.
• 각 시나리오의 공격 유형, 간격, 총 지속 시간, 프레임 수(정상/공격)를 포함한 표준화된 메타데이터를 포함하여 데이터셋을 체계화하였다.
• 드론 시작 시간에서의 타임스탬프 동기화 및 원래의 CAN 프레임 구조(CAN ID, DLC, Data 등) 유지로 데이터 무결성을 확보하였다.

실험 결과

연구 질문

• RQ1 어떻게 제어된 사이버공격 조건 하에서 실제 사이버보안 연구에 활용 가능한 UAVCAN 네트워크 트래픽을 수집할 수 있는가?
• RQ2 실제 드론 환경에서 정상 트래픽와 악성 트래픽 간의 구분 가능한 특징은 무엇인가?
• RQ3 흐름, 퍼지, 재생 공격 유형이 UAVCAN 네트워크 트래픽에서 어떻게 フレ임 수준에서 나타나는가?
• RQ4 레이블링된 시간 동기화 UAVCAN 트래픽 데이터는 효과적인 침입 탐지 시스템 개발에 어느 정도 기여할 수 있는가?
• RQ5 결합된 공격 시나리오(예: 흐름 + 재생)는 UAVCAN 기반 드론 시스템에 성능 및 행동에 어떤 영향을 미치는가?

주요 결과

• 데이터셋은 총 지속 시간이 180~280초이고 공격 간격이 0.0015~0.005초인 10개의 레이블링된 공격 시나리오로 구성되어 있다.
• 공격 트래픽 볼륨은 크게 다름: 시나리오 1은 116,816개의 공격 프레임을 기록했고, 시나리오 2는 31,930개로 공격 빈도와 지속 시간의 차이를 반영하였다.
• 시나리오 10은 흐름, 퍼지, 재생 공격를 복합적으로 포함하고 있으며, 220초 동안 총 75,850개의 공격 프레임이 생성되어 복잡한 다중 벡터 공격의 특성을 보였다.
• 모든 시나리오를 합산한 총 프레임 수는 1,062,284개이며, 이 중 444,976개는 공격 프레임으로 레이블링되어 있어 기계학습 기반 이상 탐지 모델의 훈련 및 테스트에 충분한 데이터를 제공한다.
• 원시 CAN 프레임 메타데이터(timestamp, CAN ID, DLC, Data 등)를 그대로 유지하고 정상/공격 분류를 위한 레이블 컬럼을 포함하여, 직접적으로 지도 학습 파ipeline에 활용할 수 있도록 설계되었다.
• 이 데이터셋은 공개 가능하며 UAVCAN 프로토콜 보안 연구를 지원하도록 설계되었으며, 상세한 메타데이터를 통해 재현성과 시나리오별 분석이 가능하다.